سه معیار حیاتی برای سنجش کیفیت حذف صدای خواننده در هوش مصنوعی

یک امتیاز کلی و تجمیعی هرگز نمی‌تواند به‌طور دقیق بگوید که یک ابزار هوش مصنوعی تا چه حد موفق به حذف صدای خواننده از یک آهنگ شده است. باید بدانید که تفاوت بین یک خروجی «خوب» و یک خروجی «حرفه‌ای»، در جزئیاتی نهفته است که امتیازات ساده معمولاً نادیده می‌گیرند.

برای یک تهیه‌کننده موسیقی یا یک علاقه‌مند به ویرایش صوت، این موضوع درست مثل تفاوت بین گرفتن یک نمره «خوب» در امتحان و داشتن یک برگه ارزیابی دقیق است؛ شما ممکن است صدای خواننده را به‌طور کلی پاک کرده باشید، اما اگر صدای درامز در پس‌زمینه نشت کند یا صدا حالتی «آب‌سوخته» پیدا کند، نتیجه برای استفاده در استودیو بلااستفاده است. طبق گزارش NeuralSound که در ۳۱ ژوئیه ۲۰۲۶ منتشر شد، این تیم سه سرویس NeuralSound، Moises و Fadr را با استفاده از ۵ آهنگ از مجموعه داده‌های MUSDB18-HQ مورد آزمایش قرار دادند.

همان‌طور که در تحلیل‌های پیشین ما درباره‌ی استانداردهای ارزیابی مدل‌های مولد اشاره کردیم، دقت در انتخاب معیار، تعیین‌کننده اعتبار نتیجه است. این موضوع یادآور شکاف عمیق میان نمرات فنی و کیفیت انسانی در مدل‌های صوتی است که نشان می‌دهد معیارهای استاندارد همیشه با تجربه شنیداری انسان همسو نیستند. در این آزمایش، تیم پژوهشی از بررسی‌های ساده‌ی بلندی صدا فاصله گرفتند و یک خط لوله سخت‌گیرانه شامل همراستاسازی زمانی و تبدیل مونو با نرخ ۴۴.۱ کیلوهرتز را پیاده کردند.

زمینه و متدولوژی

مقایسه ابزارهای حذف صدای خواننده پیچیده‌تر از این است که صرفاً یک آهنگ را آپلود کنید و تصمیم بگیرید کدام خروجی بلندتر است. سرویس‌های ابری اغلب تفاوت‌های زمانی (Timing Offsets) ایجاد می‌کنند، طول فایل‌های متفاوتی را خروجی می‌دهند یا مدل‌های خود را بدون اعلام شماره نسخه به‌روزرسانی می‌کنند.

برای تضمین عدالت در مقایسه، NeuralSound بنچمارکی را با ورودی‌ها و استم‌های (Stems) مرجع یکسان طراحی کرد. تمرکز این مطالعه بر حالت «دو استم» بود: جداسازی صدای خواننده و موسیقی متن. در هر قطعه، استم اصلی صدا به عنوان مرجع قرار گرفت و مرجع موسیقی متن از طریق تفریق صدا از ترکیب کلی محاسبه شد.

سیستم معیارهای سه‌گانه

برای量ی کردن عملکرد، این مطالعه به جای یک امتیاز واحد، از سه معیار «ناوردا در مقیاس» (Scale-Invariant) استفاده کرد:

• SI-SDR (نسبت سیگنال به تخریب): کیفیت کلی بازسازی را می‌سنجد. مقادیر بالاتر نشان‌دهنده تطابق بیشتر با استم مرجع است.
• SI-SIR (نسبت سیگنال به تداخل): بر نشت منابع ناخواسته تمرکز دارد. نمرات بالا یعنی صدای موسیقی کمتر در استم خواننده، و اثر صدای خواننده کمتر در موسیقی متن باقی مانده است.
• SI-SAR (نسبت سیگنال به مصنوعات): خطاهای پردازشی سیستم را شناسایی می‌کند. شنونده این خطاها را به‌صورت بافت‌های فلزی، ریورب‌های ناپایدار، صداهای آب‌سوخته یا لبه‌های رباتیک در صدای خواننده می‌شنود.

نتایج و متغیرها

به نقل از گزارش NeuralSound، این سرویس در میانگین SI-SDR برای ۵ آهنگ آزمایش‌شده بالاترین امتیاز را کسب کرد. با این حال، پژوهشگران تأکید می‌کنند که این یک ادعای محدود است و به معنای برتری مطلق در هر ژانر یا هر تنظیماتی نیست.

میانگین‌ها معمولاً تفاوت‌های هر ترک را می‌پوشانند. برای مثال:

• سخت‌ترین ترک: آهنگ "Emergency" از So So Glos کمترین امتیاز SI-SDR را برای همه سرویس‌ها داشت (NeuralSound: ۱۲.۳۱ دسی‌بل، Moises: ۱۱.۵۲ و Fadr: ۱۰.۱۳).
• آسان‌ترین ترک: آهنگ "Rothko" از The Wrong’Uns بالاترین امتیاز را ثبت کرد (NeuralSound: ۱۹.۸۸ دسی‌بل، Moises: ۱۸.۱۱ و Fadr: ۱۴.۹۷).

این شکاف‌ها ثابت می‌کند که کیفیت جداسازی به‌شدت به میکس اولیه، میزان ریورب صدا، هم‌پوشانی سازها و تراکم ارکستراسیون وابسته است.

عامل حیاتی همراستاسازی

یک کشف کلیدی این بود که حتی چند میلی‌ثانیه اختلاف زمانی می‌تواند امتیاز بنچمارک را به‌شدت پایین بیاورد، در حالی که صدا برای گوش انسان کامل به نظر می‌رسد. محققان برای رفع این مشکل، مرحله‌ای برای همراستاسازی (Alignment) با استفاده از تابع scipy.signal.correlate تعریف کردند تا پیش از امتیازدهی، تخمین‌ها با مراجع مطابقت یابند.

این فرآیند باعث می‌شود ارزیابی بر کیفیت صوتی متمرکز شود، نه روی جابه‌جایی‌های ساده زمانی. چنین رویکرد ساختاریافته‌ای در پردازش صوت، مشابه مدیریت نویز در خط‌لوله‌های تبدیل گفتار به متن است که در آن پاک‌سازی داده‌ها پیش از تحلیل نهایی حیاتی است. این یعنی بسیاری از «جدول‌های رده‌بندی» فعلی در دنیای صوت AI ممکن است نادرست باشند، چون همراستاسازی را به جای یک مرحله مستند، به عنوان یک پاک‌سازی نامشهود در نظر گرفته‌اند.

تحلیل تحریریه

در حوزه صوت AI، این چرخش به سمت ارزیابی‌های چندمعیاره، صنعت را از تست‌های «حسی» (Vibe-based) دور می‌کند. از این پس، وقتی شرکتی ادعای داشتن مدل «بهتر» می‌کند، باید دقیقاً مشخص کند که آیا تداخل (SIR) را کاهش داده یا مصنوعات دیجیتال (SAR) را حذف کرده است.

برای کاربر نهایی، این یعنی «بهترین» ابزار کاملاً به ژانر موسیقی بستگی دارد. اگر در حال استخراج صدا از یک میکس متراکم راک با ریورب زیاد هستید، ابزاری که SI-SIR را بر SI-SAR ترجیح می‌دهد، نتیجه‌ای تمیزتر می‌دهد، حتی اگر مقداری صدای رباتیک در خروجی باقی بماند.

محدودیت‌ها و چشم‌انداز

این بنچمارک محدودیت‌هایی دارد؛ تنها ۵ آهنگ و جداسازی دو استم تست شده و هیچ پنل شنیداری کور (Blind Listening) در کار نبوده است. همچنین سرویس‌های ابری هر لحظه ممکن است مدل‌های خود را تغییر دهند.

برای اعتبارسنجی کامل، آزمایش‌های آتی به تعداد آهنگ‌های بیشتر، ژانرهای متنوع‌تر و خروجی‌های بدون tổncan (Lossless) نیاز دارند. شنوندگان باید به‌ویژه روی تخریب بافت صدا و حذف صدای سنج‌ها یا ضربات گیتار تمرکز کنند.

گام بعدی شما

• هنگام انتخاب ابزار جداسازی صدا، به دنبال گزارش‌های SIR و SAR باشید تا بدانید آیا ابزار مذکور باعث ایجاد صدای فلزی (Artifacts) می‌شود یا خیر.
• در پروژه‌های حساس، نتایج سه سرویس مختلف را با یک آهنگ سخت (مثل راک متراکم) مقایسه کنید تا نقطه شکست هر مدل را بشناسید. به طور مثال، استفاده از خط لوله‌های بهینه مانند mlx-whisper می‌تواند زمان بازبینی و کنترل کیفیت خروجی‌های صوتی را به شدت کاهش دهد.
• اگر توسعه‌دهنده هستید، همراستاسازی زمانی را پیش از هرگونه ارزیابی عددی در خط لوله‌ صوت خود پیاده کنید.

اما تأثیر این دقت در جداسازی بر کیفیت مدل‌های تبدیل متن به موسیقی حتی پیچیده‌تر است — به تحلیل ما درباره معماری مدل‌های صوتی جدید مراجعه کنید.